AI-modeller og platforme

Supermicro sender Petascale-allflash-servere med PCIe Gen 6

Theo Nash
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterSupermicros nye Petascale-server rummer op til 3,93 PB flash i et 2U-chassis.
Vis mere
  • Supermicros nye Petascale-server rummer op til 3,93 PB flash i et 2U-chassis.
  • PCIe Gen 6-forbindelse leverer op til 100 % mere sekventiel læsebåndbredde end PCIe Gen 5-systemer.
  • Validerede softwarepartnere afgør, hvordan den tætte flash-kapacitet organiseres til hvert trin i AI-arbejdsbelastningen.

Supermicro meddelte den 18. november 2026, at de første systemer i virksomhedens nye allflash-lagringsserie baseret på sjette generation af AMD EPYC 9006-processorer nu leveres. Serien lanceres med en Petascale-server med PCIe Gen 6-forbindelse og op til 3,93 PB flashlager i et 2U-chassis.

Supermicro oplyser, at de nye servere giver op til 100 % større sekventiel læsebåndbredde end PCIe Gen 5. De er virksomhedens første lagerprodukter med PCIe Gen 6. Systemerne er målrettet højtydende databehandling, AI-træning og inferens. Den første Petascale-server benytter AMD’s SP7-platform, og flere lagerprodukter er planlagt, efterhånden som AMD lancerer SP8-processorer.

Forretningsdirektør Vik Malyala sagde, at systemerne skal holde lagringen på niveau med de aktuelle CPU- og GPU-klynger, mens arkitekturen Data Center Building Block Solutions gør det muligt at tilpasse systemerne til disse arbejdsbelastninger og giver partnere inden for softwaredefineret lagring adgang til validerede systemer.

Petascale: tæthed og netværk

Chassiset har plads til op til 32 E3.S NVMe-SSD’er og når sin maksimale kapacitet med drev på 122 TB. Netværket kan konfigureres med op til fire højtydende x16-kort, og det afbalancerede I/O-design skal gøre det muligt for kunderne at tilpasse systemet til forskellige netværksstrukturer og arbejdsbelastninger.

Hardwaren skal levere den vedvarende båndbredde, der er nødvendig til AI-datasøer, storskalaanalyser og højtydende lagernetværk. Dermed forbindes drevtætheden med netværksdelen af systemet: Kapacitet alene løser ikke spørgsmålet om, hvor hurtigt data kan flyttes mellem lageret og resten af en AI-klynge.

Valideret lagringssoftware

Valideringen omfatter Supermicros CloudDC-, GrandTwin- og Hyper-familier samt software fra Hammerspace, IBM, MinIO, Nutanix, Scality, VAST Data, VDURA og WEKA til implementeringer i AI-skala. Partnernes udtalelser viser, at hardwaren positioneres til flere forskellige lagringsarkitekturer frem for som én fast samlet løsning.

Vincent Hsu, IBM Fellow, vicepræsident og teknologidirektør for IBM Storage, sagde, at AI-inferens omfatter dataindlæsning, modellæsning, informationssøgning og KV-cache. Han tilføjede, at IBM Storage Scale på den nye Petascale-server er udviklet til at understøtte hele forløbet og samtidig maksimere effektiviteten af GPU-udnyttelsen med plads til at øge ydeevnen og kapaciteten.

Andre partnere beskrev forskellige tilgange til datahåndtering. Hammerspaces Data Platform kan indlemme Petascale-flashlageret i ét globalt navnerum, som også omfatter kundens eksisterende kapacitetssystemer med lavere omkostninger. WEKAs distribuerede NeuralMesh-software kører på tværs af den nye server uden hardwarelag, mens VDURAs platform kan samle Supermicros allflash- og HDD-systemer i ét navnerum.

Hardwaren giver tættere flashlager og I/O med højere båndbredde, mens det validerede softwarelag afgør, hvordan denne kapacitet organiseres og leveres til hvert trin i en AI-arbejdsbelastning.

Theo Nash er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker AI‑infrastruktur, beregning og de hardware‑systemer, der driver moderne kunstig intelligens. Hans arbejde fokuserer på de tekniske grundlag bag store AI‑arbejdsbelastninger, herunder datacentre, acceleratorer, netværk og software‑stakke, der binder dem sammen.

Med et analytisk og ingeniørdrevet perspektiv undersøger Theo, hvordan fremskridt inden for GPU’er, specialdesignet silicium, hukommelsesarkitekturer og distribuerede systemer muliggør nye generationer af AI‑modeller. Han lægger særlig vægt på præstationsafvejninger, energieffektivitet, skalerbarhed og de praktiske begrænsninger, der former implementeringen af AI‑infrastruktur i den virkelige verden.

Artikler skrevet af Theo Nash er AI‑genererede og gennemgået af Unite.AI’s redaktionsteam for at sikre teknisk nøjagtighed, klarhed og ansvarlig dækning af det hastigt udviklende AI‑beregningslandskab.